- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我有很多(多达数十万个)小文件,每个 10-100 Kb。我的 HDFS block 大小等于 128 MB。我的复制因子等于 1。
为每个小文件分配 HDFS block 有什么缺点吗?
我见过非常矛盾的答案:
我在 this answer 中做了一个测试,它证明第二个选项是正确的——HDFS 不会为小文件分配整个 block 。
但是,从 HDFS 批量读取 10.000 个小文件怎么样?它会因为 10.000 个 block 和元数据而变慢吗?是否有任何理由将多个小文件保存在一个 block 中?
我只有一个小文件用例,从 1.000 到 500.000。我计算一次这些文件,存储它,而不是一次读取它们。
1) 据我了解,NameNode 空间问题对我来说不是问题。 500.000 是绝对最大值,我永远不会拥有更多。如果每个小文件在 NN 上占用 150 个字节,那么对我来说绝对最大值是 - 71.52 MB,这是可以接受的。
2) Apache Spark 是否消除了 MapReduce 问题?序列文件或 HAR 会帮助我解决问题吗?据我了解,Spark 不应该依赖于 Hadoop MR,但它仍然太慢。读取 490 个文件需要 38 秒,读取 3420 个文件需要 266 秒。
sparkSession
.read()
.parquet(pathsToSmallFilesCollection)
.as(Encoders.kryo(SmallFileWrapper.class))
.coalesce(numPartitions);
最佳答案
正如您已经注意到的,HDFS 文件占用的空间不会超出它的需要,但是将小文件放在 HDFS 集群中还有其他缺点。让我们先解决问题而不考虑批处理:
现在,如果我们谈论批处理,您可以选择的选项很少:HAR、序列文件、Avro 模式等。这取决于用例来准确回答您的问题。假设您不想合并文件,在这种情况下您可能正在使用 HAR 文件(或任何其他具有高效归档和索引功能的解决方案)。在这种情况下,NN 问题已解决,但 Mappers 的数量仍将等于 split 的数量。如果可以选择将文件合并成大文件,您可以使用序列文件,它基本上将小文件聚合成大文件,在一定程度上解决了这两个问题。在这两种情况下,尽管您不能真正像处理小文件那样直接更新/删除信息,因此需要更复杂的机制来管理这些结构。
一般来说,维护许多小文件的主要原因是为了快速读取,我建议看看不同的系统,如 HBase,它们是为快速数据访问而不是批处理而创建的。
关于hadoop - 大量小文件和 128 Mb block 大小的 HDFS 行为,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43849821/
HDFS 是 Hadoop 中的逻辑文件系统,块大小为 64MB。 HDFS 上的文件依次保存在底层操作系统文件系统上,比如 ext4,块大小为 4KiB。 据我所知,对于本地文件系统上的文件,操作系
哪种工具最适合测量 HDFS 空间消耗? 当我总结“hdfs dfs -du/”的输出时,与“hdfs dfsadmin -report”(“DFS Used”行)相比,我总是消耗更少的空间。是否有
我正在尝试编写一个简单的脚本来验证 HDFS 和本地文件系统校验和。 在 HDFS 上我得到 - [m@x01tbipapp3a ~]$ hadoop fs -checksum /user/m/fil
我从 HDFS 中删除了一个文件夹,我在下面找到了它 /user/hdfs/.Trash/Current/ 但我无法恢复它。我查看了论坛,但没有找到好的解决方案。 请有人有解决方案我可以帮助我如何在最
在 5 个节点的集群上运行 Presto 大型扫描查询,看起来只有一个节点是查询协调器,并通过网络从 5 个 hdfs 节点读取数据。 所有 presto 进程都在数据节点上运行。 有没有办法让5个节
我有一个名为 file name(1).zip 的文件(里面有空格和括号),我想把这个文件放在 HDFS 上。但是每次我尝试通过 hadoop fs -put ... 放置它时,我都会遇到异常。 我什
在 5 个节点集群上运行 Presto 大扫描查询,看起来只有一个节点是查询协调器,并通过网络从 5 个 hdfs 节点读取数据。 所有presto进程都在数据节点上运行。 有没有办法让5个节点使用s
所以我在 CentOS 5 上通过 Cloudera Manager cdh3u5 安装了 Hadoop。当我运行 cmd 时 hadoop fs -ls/ 我希望看到 hdfs://localhos
我用命令在hadoop上运行flume flume-ng agent -c conf -f conf/flume-twitter.conf -n TwitterAgent 现在我无法保存推特数据。它显
我使用两台主机(hadoop-coc-1 和 hadoop-coc-2)尝试在其中配置 HDFS 联合。因此,我在两个主机(hadoop-coc-1 和 hadoop-coc-2)中配置了 $ cat
我需要将大量文件从一个 hdfs 目录移动(而不是复制)到同一集群中的另一个 hdfs 目录。 我可以使用 distcp,但它似乎有点矫枉过正,因为它正在复制文件(复制它)我只想移动它。两个问题: A
当我尝试将文件从我的 本地目录 复制到 HDFS 时,出现以下错误: [cloudera@localhost ~]$ hadoop fs -copyFromLocal hello.txt /user/
据我所知,在从一个 HDFS 位置移动到另一个位置时,没有直接选项可以覆盖 HDFS 中的文件,复制 cp 可以选择强制执行。我试图找出是否有任何黑客可以做到这一点? 我们能做的是 hdfs dfs
我有两个 HDFS 设置,想将一些表从 HDFS1 复制(而不是迁移或移动)到 HDFS2。如何将数据从一个 HDFS 复制到另一个 HDFS?是否可以通过 Sqoop 或其他命令行实现? 最佳答案
目前尚不清楚您是否可以像在 Flume 中那样在 Kafka 中进行扇出(复制)。 我想让 Kafka 将数据保存到 HDFS 或 S3,并将该数据的副本发送到 Storm 进行实时处理。 Storm
如何发出 hdfs 命令作为 EMR 集群中的一个步骤?将步骤添加为 script_runner.jar 任务似乎奇怪地失败了。 最佳答案 使用 command-runner.jar 并调出 bash
如何发出 hdfs 命令作为 EMR 集群中的一个步骤?将步骤添加为 script_runner.jar 任务似乎奇怪地失败了。 最佳答案 使用 command-runner.jar 并调出 bash
我是 Hadoop 和 HDFS 的新手,所以当我从本地 (Ubuntu 10.04) 复制到本地主机上单个节点上的 HDFS 时,可能是我做错了什么。初始副本工作正常,但当我修改我的本地输入文件夹并
根据我在 Hadoop HDFS 上的实践,我了解到在创建用户 say u1 并尝试将文件从本地文件系统放入 HDFS 时,它会搜索目录 /user/u1 (默认情况下)对 HDFS 文件系统具有写入
我想将一个 70G 的文件放入 hdfs,所以我使用“put”命令来完成此操作。但是,我得到以下异常。我用相同的命令尝试了小尺寸文件,它有效。有谁知道是什么问题?谢谢! WARN [DataStre
我是一名优秀的程序员,十分优秀!